随着互联网的发展和普及,信息数量成爆炸式增长。海量信息在丰富人们生活的同时,也为信息的查寻带来挑战。个性化推荐系统应运而生。其中,协同过滤是最经典的推荐技术,它默认用户的兴趣是稳定的,即用户兴趣不会发生变化。然而在现实生活中,受自身或外界等各种因素的影响,用户的兴趣是不稳定的,存在兴趣漂移现象。另外,用户在交互过程中会彼此之间相互影响,即兴趣会在用户间传播。本文在对传统协同过滤算法深入研究的基础上,总结分析了前人已取得研究成果的缺点和不足,从兴趣漂移和兴趣传播两个方面入手,主要做了以下工作:首先,针对用户兴趣漂移问题,提出了一种基于不同项目类型访问时间分散度的漂移检测算法。该算法根据项目自身属性计算相似度构建项目簇,依据用户历史访问项目所属项目簇的比例大小来识别单兴趣和噪声用户,根据不同项目访问时间的分散度来识别多兴趣和兴趣漂移用户,并最终得到用户的最新、最近兴趣。对数据集做此预处理,即避免了噪声用户数据对系统的干扰,也在一定程度上降低了数据维度,缩减了计算量。其次,针对用户间的兴趣传播问题,提出了一种基于仿射传播的模糊C-均值聚类算法。该算法借用仿射传播(AP)聚类的消息传递思想,将兴趣传播问题转化为用户间的吸引度和归属度问题。在协同过滤推荐中,模糊C-均值(FCM)聚类是一种常用的数据处理方法,其中心点的选择直接影响着聚类结果的好坏。将AP聚类所得到的聚类中心作为FCM聚类的初始中心,这样即考虑到了兴趣传播问题,也提高了聚类的质量和稳定性。最后,将提出的两种算法进行组合推荐,提出了基于用户兴趣漂移和兴趣传播的协同过滤推荐算法。本文在Movielens数据集上分别对基于不同项目类型访问时间分散度的兴趣漂移检测算法、基于仿射传播的模糊C-均值聚类算法、基于用户兴趣漂移和兴趣传播的协同过滤推荐算法以及传统的协同过滤推荐算法进行实验对比验证。结果表明,本文提出的算法有更高的准确性,能有效提高系统的推荐质量。